【Decoupled NN】Decoupled Deep Neural Network for Semi-supervised Semantic Segmentation

最新推荐文章于 2024-09-30 18:14:32 发布
原创 最新推荐文章于 2024-09-30 18:14:32 发布 · 706 阅读 · 1 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。

该论文提出了一种新的半监督语义分割方法，将语义分割任务解耦为分割和分类两个独立任务，分别用不同的网络训练。这种方法避免了迭代过程，易于复现，并在PASCAL VOC数据集上取得优秀成绩。论文指出，相比于全监督和弱监督方法，该模型更适用于少量分割标签和大量分类标签的情况，通过桥接层将分类信息传递给分割网络。

在这里插入图片描述

论文是发表在NIPS 2015年上的论文。

文章目录

概述

  • 解决的问题
    • 半监督语义分割。
  • 采用的方法
    • 【在Abstract部分也说了】在当时，许多的方法都是将语义分割作为基于区域分类的单任务问题。
    • 所以这篇论文就提出了一个将语义分割解耦为分割和分类问题的半监督网络。且分割和分类两个任务的网络是单独训练。【半监督处于弱监督和全监督之间】
    • 文章说了这么做有几个好处：(1) training does not require iterative procedure, (2) algorithm is easy to reproduce,(3) 两个网络单独训练可以为分割减少搜索空间。
  • 结果
    • 相较于当时的半监督学习方法，在PASCAL VOC数据集上取得了十分不错的成绩。
  • Contributions
    • 文章中也引用了FCN和DeepLabv1，但是paper说这些论文需要大量的pixel-wise的Groud truth，无疑会带来很大的代价。会导致这种全监督的网络很难去扩展到类别特别多的数据中。
    • 另一些半监督或者弱监督方法，会缓解上述的数据标注问题，但是模型训练会比较依赖ad-hoc procedures，且很难保证收敛。
    • paper利用了一小部分完好分割的标签和大部分弱标签（是指每幅图片都有图片类别）。

细节

先来看看网络的结构。

最低0.47元/天 解锁文章
语义分割 - Semantic Segmentation Papers
长风破浪会有时，直挂云帆济沧海
05-23 3万+
Semantic Segmentation Learning a Discriminative Feature Network for Semantic Segmentation - CVPR2018 - Face++ [Paper] Vortex Pooling: Improving Context Representation in Semantic Segmentation - 2018...
【汇总】CVPR25语义分割相关文章【语义分割】
最新发布
Gorgeous_wxd
06-17 1909
本次CVPR25涉及到语义分割的文章大约有144篇，粗略分为以下几类：其中与医学图像相关的占比是最多的，值得注意的是开放词汇语义分割今年也有不少。VLM-Based语义分割。Amodal 语义分割。音频-视觉联合语义分割。
论文笔记之：Decoupled Deep Neural Network for Semi-supervised Semantic Segmentation
a1424262219的博客
04-25 238
Decoupled Deep Neural Network forSemi-supervised Semantic Segmentation xx 转载于:https://www.cnblogs.com/wangxiaocvpr/p/5430600.html
Decoupled deep neural network for semi-supervised semantic segmentation 笔记
zjl-wgf
03-22 946
论文阅读笔记十四：Decoupled Deep Neural Network for Semi-supervised Semantic Segmentation（CVPR2015）...
weixin_34111819的博客
11-05 313
论文链接：https://arxiv.org/abs/1506.04924 摘要 该文提出了基于混合标签的半监督分割网络。与当前基于区域分类的单任务的分割方法不同，Decoupled 网络将分割与分类任务分离，并为每个任务单独学习一个分离的网络。分类网络识别与图片相关的标签，然后在每个识别的标签中进行二进制的分割。Decoupled网络可以基于图像级别标签学习分类网络，...
2023最新半监督语义分割综述 | 技术总结与展望！
CV_Autobot的博客
02-26 6815
作者|派派星 编辑| CVHub点击下方卡片，关注“自动驾驶之心”公众号ADAS巨卷干货，即可获取点击进入→自动驾驶之心【语义分割】技术交流群后台回复【分割综述】获取语义分割、实例分割、全景分割、弱监督分割等超全学习资料！Title:A Survey on Semi-Supervised Semantic SegmentationPaper:https://arxiv.org/pdf/...
【论文阅读】Semantic Prompt for Few-Shot Image Recognition（已复现）
cainiaomyf的博客
09-30 2763
小样本学习是一个具有挑战性的问题，因为只提供了少量样本来识别新的类别。最近的一些研究利用了额外的语义信息，例如类别名称的文本嵌入，通过将语义原型与视觉原型相结合来解决稀缺样本的问题。然而，这些方法仍然受到从稀缺支持样本中学习到的虚假视觉特征的影响，导致收益有限。在本文中，我们提出了一种用于小样本学习的新颖语义提示（Semantic Prompt，SP）方法。我们并非简单地利用语义信息来修正分类器，而是探索将语义信息作为提示来自适应地调整视觉特征提取网络。
DecoupledNet:解耦网
05-26
DecoupledNet：用于半监督语义分割的去耦深度神经网络 ... title={Decoupled Deep Neural Network for Semi-supervised Semantic Segmentation}, author={Hong, Seunghoon and Noh, Hyeonwoo and Han, Bohyung},
[半监督学习] Deep Co-Training for Semi-Supervised Image Recognition
不定期更新 Web 开发及机器学习相关博客
02-19 4247
Deep Co-Training(DCT), 通过最小化两个网络在 $\mathcal{U}$ 上的预测之间的 JS 散度来模拟 Co-Training 假设. 为了避免 collapsed neural networks, 通过训练对抗样本来施加视图差异约束(View Difference Constraint).
【弱监督学习】Semi-Supervised Semantic Segmentation Using Unreliable Pseudo-Labels
weixin_43728604的博客
11-01 1672
这是一篇在2022年发表在CVPR上的有关弱监督语义分割的文章，文章关注使用图像级标签进行语义分割弱监督训练。现有方法通常产生伪标签，然后通过某种方法对伪标签进行过滤，仅仅使用可靠的像素来进行弱监督训练，然而这样通常会损失大量的像素，导致许多没有被判定为可靠的像素没有被使用，为了提高无像素级标签数据的使用率，本文提出了了U2PL框架。
Semi-Supervised Semantic Image Segmentation with Self-correcting Networks基于自校正网络的半监督图像语义分割
wuling129的专栏
06-18 1699
本文参考了： https://blog.youkuaiyun.com/NCEPUDJ/article/details/105118699 https://blog.youkuaiyun.com/Cloris_Sue/article/details/105099992 有些翻译的部分直接照搬，在此表示感谢。 Abstract 建立一个大型的具有高质量的对象masks图像数据集来进行语义分割是非常昂贵和耗时的。 在本文中，介绍了一种有原则的半监督框架，该框架的训练数据是：一个小型的全监督数据集（具有语义分割标签和检..
【CVPR2022】论文阅读笔记Semi-Supervised Semantic Segmentation Using Unreliable Pseudo-Labels
Thinkobj的博客
11-14 1391
Semi-Supervised Semantic Segmentation Using Unreliable Pseudo-Labels
论文解读《Semi-Supervised Semantic Segmentation with Cross Pseudo Supervision》
weixin_37591159的博客
11-20 2809
本文通过研究有标签数据和无标签数据，研究了半监督语义分割问题。提出了一种新的一致性规则化方法——交叉伪监督
论文阅读笔记：Semi-supervised Semantic Segmentation with Error Localization Network
HollowKnightz的博客
08-09 888
论文阅读笔记：Semi-supervised Semantic Segmentation with Error Localization Network
探索半监督语义分割的未来之路：Awesome-Semi-Supervised-Semantic-Segmentation
gitblog_00009的博客
06-23 382
探索半监督语义分割的未来之路：Awesome-Semi-Supervised-Semantic-Segmentation 在深度学习领域，语义分割作为图像理解的关键技术，已经取得了显著的进步。然而，高质量标注数据的稀缺性和高昂成本仍然是阻碍其进一步发展的瓶颈。针对这一挑战，Awesome-Semi-Supervised-Semantic-Segmentation 项目应运而生，为开发者和研究者提供...
【综述】半监督语义分割
m0_61899108的博客
04-12 2383
图像分割是最古老、研究最广泛的计算机视觉 (CV) 问题之一。图像分割是指将图像划分为不同的非重叠区域，并将相应的标签分配给图像中的每个像素，最终获得ROI区域位置及其类别信息。一般，我们将分割任务分为语义分割和实例分割，前者是将每个像素与相应的语义类别进行分类，从而为属于该类别的所有对象或图像区域赋予相同的类别标签；后者则更进一步，试图区分出同一类别的不同实例（如上图所示）。本文主要围绕语义分割进行展开介绍。
多篇用DL做Semantic Segmentation的文章总结
热门推荐
轻枫叶跃的专栏
10-27 2万+
这是我在其中一篇文章(deconvolution network)中看到的近期一些方法的评估表: 下面谈到的一些文章整理都是关于以上的方法。 1.      FCN8s 文章出处：CVPR2015-FullyConvolutional Networks for Semantic Segmentation CNN对分类问题的效果非常好，但不适合直接做分割； CNN模型的输
语义分割深度学习方法集锦
生如蚁，美如神
01-19 1万+
转载：https://github.com/handong1587/handong1587.github.io/edit/master/_posts/deep_learning/2015-10-09-segmentation.mdPapersDeep Joint Task Learning for Generic Object Extraction intro: NIPS 2014 homepage
ea-net:: edge-aware network for brain structure segmentation via decoupled h
09-20
脑结构分割是医学图像分析中的重要任务，它可以帮助医生快速、准确地识别出脑的各个结构，为疾病诊断和治疗提供依据。 ... 而这种边缘感知网络的关键之处在于其采用了分离式h。...它通过学习图像的边缘信息，能够准确地...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值